Прогнозування часових рядів ринкового курсу криптовалют

Скорочена інформація про документ
dc.contributor.advisorКузнєцова, Наталія Володимирівна
dc.contributor.authorРадченко, Дмитро Олексійович
dc.date.accessioned2023-09-18T14:10:15Z
dc.date.available2023-09-18T14:10:15Z
dc.date.issued2023
dc.description.abstractКваліфікаційна робота: 89 с., 6 табл., 20 рис., 2 додатки, 20 джерел. Об'єкт дослідження: прогнозування часових рядів рекурентними нейронними мережами LSTM та GRU. Мета роботи: поглибити знання щодо прогнозування часових рядів рекурентними нейронними мережами LSTM та GRU, розробити архітектури нейронних мереж з шарами LSTM та GRU, інтерпретувати параметри мереж та отримати змістовні результати на практичній задачі прогнозування фінансового повернення з активу. Методи досліджень: поняття і методи фінансового технічного аналізу, методів оптимізації, алгоритми та підходи машинного навчання, нейронних мереж. Одержані висновки та їх новизна: нейронні мережі є потужним сучасним підходом для вирішення задачі прогнозування часових рядів. Розроблені архітектури мереж пропонують як і низько ризикові, так і високо ризикові точки входу в фінансову угоду. Результати досліджень можуть бути застосовані при використанні моделей як торгових сигналів експертами інвестиційної криптовалютної галузі. В залежності від типу торгівлі можна використовувати модель із шарами LSTM для низько ризикової торгівля та модель із шарами GRU для високо ризикової торгівлі. Наведено інтерпретацію параметрів нейронних мереж, що вирішує проблему «чорного ящику».uk
dc.description.abstractotherThesis: 89 pages, 26 pictures, 6 tables, 2 appendices, 20 references. The graduation research of the 4-year student D.Radchenko (National technical university of Ukraine “Kyiv polytechnic institute named Igor Sikorsky” Educational and scientific institute of Applied systems analysis) deals with predicting crypto asset returns using recurrent neural networks. The main goal is to get deeper knowledge about time series prediction using RNN and develop network architecture with LSTM and GRU layers. Another intention is to make developed neural networks interpretable, which can be solved using Shapley values. We developed two models during the research. The former model has LSTM layers, its purpose was to make low-risk prediction during the 2022 fall of crypto market; The latter model has GRU layers for making high-risk predictions. Training dataset includes not only prices for target asset, but also prices of biggest crypto assets BTC and ETH. Both models were trained using regularization layers with Dropout and Batch Normalization and modificated ReLU activation functions, such as Leaky RELU and ELU. It was used Shapley values to make each model feature impact clear. The research results can be applied as a trading signal for market experts. According to type of trading one can choose either high-risk model or low-risk. Moreover, it is possible to get deeply understanding of models by looking at features importance.uk
dc.format.extent89 с.uk
dc.identifier.citationРадченко, Д. О. Прогнозування часових рядів ринкового курсу криптовалют : дипломна робота ... бакалавра : 124 Системний аналіз / Радченко Дмитро Олексійович. – Київ, 2023. – 89 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60467
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectрекурентні нейронні мережіuk
dc.subjectпрогнозування часових рядівuk
dc.subjectпрогнозування фінансового поверненняuk
dc.subjectінтерпретація нейронних мережuk
dc.subjectархітектура рекурентних нейронних мережuk
dc.subjectвектор шепліuk
dc.subjectrecurrent neural networksuk
dc.subjectlstmuk
dc.subjectgruuk
dc.subjecttime series forecastinguk
dc.subjectforecasting financial returnuk
dc.subjectneural networks interpretationuk
dc.subjectarchitecture of recurrent neural networksuk
dc.subjectshapley valueuk
dc.titleПрогнозування часових рядів ринкового курсу криптовалютuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Radchenko_bakalavr.pdf
Розмір:
2.6 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи